پیش بینی بازده سهام با تاکید بر نقش معیارهای مالی و نظارتی با استفاده از روش های یادگیری ماشین (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه: پیش بینی بازده سهام اگرچه پیچیده است ولی همواره مورد علاقه سرمایه گذاران می باشد. سرمایه گذاران و تصمیم گیران جهت پیش بینی بازده سهام نیازمند اطلاعات هستند. هدف: این پژوهش با هدف پیش بینی بازده سهام در شرکت های پذیرفته شده بورس اوراق بهادار تهران با تاکید بر نقش معیارهای مالی و نظارتی با استفاده از روش های یادگیری ماشین انجام شد . روش: این پژوهش از لحاظ هدف کاربردی و به لحاظ نوع مطالعه میدانی- کتابخانه ای است. جامعه آماری را شرکت های پذیرفته شده بورس اوراق بهادار تهران طی سال های 1390 تا 1396 (یک دوره هفت ساله) تشکیل دادند و آزمون فرضیه ها با استفاده از روش های یادگیری ماشین (رویکرد خطی و غیرخطی و قانون گرا) انجام گرفت. یافته ها: نتایج آزمون متغیرگزینی با استفاده از روش Relief-F حاکی از ارتباط معنادار متغیرهای بازده دارایی، نسبت قیمت به سود هر سهم،کیوتوبین، نسبت وجه نقد عملیاتی، اهرم مالی و نسبت مالکان نهادی با بازده سهام است. همچنین نتایج نشان داد که روش های یادگیری ماشین PINSVR در حالت خطی و غیرخطی و CART توانایی مناسبی (بیش از 90 درصد) جهت پیش بینی بازده سهام دارند اما روش غیرخطی PINSVR و قانون گرای CART نسبت به روش خطی قدرت پیش بینی بالاتری را نشان داد. نتیجه گیری: با توجه به نتایج به دست آمده، به صاحبان سرمایه و تصمیم گیران شرکت ها توصیه می شود که در تصمیم گیری های خود پیرامون سرمایه گذاری در بورس اوراق بهادار تهران از قدرت پیش بینی الگوریتم های هوش مصنوعی به ویژه روش های غیرخطی استفاده کنند.Predicting Stock Returns with Emphasis on the Role of Financial and Regulatory Criteria Using Machine Learning Methods
Introduction: Predicting stock returns, although complex, has always been of interest to investors. Investors and decision makers need information to predict stock returns. Aim: The aim of this study was to predict stock returns in companies listed on the Tehran Stock Exchange by emphasizing the role of financial and regulatory criteria using machine learning methods. Method: This research is applied in terms of purpose and in terms of the type of field-library study. The statistical population consisted of companies listed on the Tehran Stock Exchange during the years 1390 to 1396 (a seven-year period) and the hypotheses were tested using machine learning methods (linear, nonlinear and cart). Results: The results of variable selection test using Relief-F method indicate a significant relationship between return on assets, price-to-earnings-per-share ratio, quota, operating cash ratio, financial leverage and institutional owners' ratio to stock returns. The results also showed that PINSVR machine learning methods in linear and nonlinear mode and CART have a good ability (more than 90%) to predict stock returns, but the nonlinear PINSVR method and CART showed higher predictive power than the linear method.
Conclusion: According to the results, capital owners and company decision makers are advised to use the predictive power of artificial intelligence algorithms, especially nonlinear methods, in their decisions about investing in the Tehran Stock Exchange.
تبلیغات
